II.8Инженерия данных и аналитика

DINOv3 ViT-L/16 — модель извлечения визуальных признаков на основе Vision Transformer, разработанная Meta AI. Репозиторий содержит веса, предварительно обученные на LVD-1689M и дистиллированные от учителя DINOv3 ViT-7B; в метаданных указан размер 402,7 млн параметров. Модель принимает изображения и возвращает вектор CLS, патч-токены и register-токены. При размере изображения 224×224 получается 196 патч-токенов и пять специальных токенов; поддерживаются большие изображения с размерами, кратными 16. Признаки можно использовать без дообучения или подключать к небольшим классификаторам и другим downstream-модулям для классификации, поиска изображений, сегментации, оценки глубины и анализа видео. Карточка приводит сравнительные результаты на наборах для классификации, сегментации, оценки глубины и других задач, но отмечает различия в качестве между регионами и группами дохода. Лицензия указана как DINOv3 License; условия её применения следует проверять перед использованием.

facebook/dpr-question_encoder-multiset-base — англоязычный BERT-энкодер вопросов из набора моделей Dense Passage Retrieval (DPR). Модель разработана для открытого поиска ответов на вопросы и обучена на Natural Questions, TriviaQA, WebQuestions и CuratedTREC. Она преобразует текст вопроса в плотное векторное представление для поиска подходящих фрагментов; обычно используется вместе с совместимым энкодером контекста DPR.

bhadresh-savani/electra-base-squad2 — англоязычная модель для извлечения ответов на вопросы, созданная авторами deepset на основе electra-base и обученная на SQuAD 2.0. Она предназначена для поиска ответа в предоставленном отрывке текста и может распознавать случаи, когда в отрывке ответа нет. Для работы с наборами документов README предлагает использовать Haystack. Модель содержит 136,7 млн параметров, архитектура — ELECTRA для вопросно-ответной задачи; контекст ограничен 512 токенами. Доступны веса в PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — CC BY 4.0.

FrALBERT Base Cased — французская предварительно обученная языковая модель на архитектуре ALBERT, опубликованная пользователем cservan. Она обучена на французской Википедии с целями masked language modeling и Sentence Ordering Prediction; регистр букв сохраняется, поэтому модель различает, например, «french» и «French». По метаданным, модель содержит 137,8 млн параметров, использует формат PyTorch и рассчитана на контекст до 512 токенов. Архитектура ALBERT разделяет веса между повторяющимися слоями Transformer, что уменьшает объём памяти при сохранении вычислительной стоимости, сопоставимой с BERT аналогичной глубины. Основной сценарий непосредственного использования — предсказание замаскированных токенов. Модель также предназначена для дообучения на задачах классификации последовательностей и токенов, заполнения слотов и ответов на вопросы; её представления можно использовать как признаки для таких задач. Она не предназначена для свободной генерации текста. Лицензия — Apache-2.0.

deepset/gelectra-base-germanquad — модель для извлечения ответов на вопросы на немецком языке, разработанная deepset на основе GELECTRA-base. Её дообучили на наборе GermanQuAD: обучающая часть содержит 11 518 вопросов и ответов, а тестовая — 2 204 вопроса с несколькими аннотациями ответов. В метаданных указаны архитектура ELECTRA и 137,1 млн параметров. Модель предназначена для поиска фрагмента ответа в предоставленном документе или контексте. Её можно применять для ответов на вопросы по немецким документам, в том числе в извлекательных QA-конвейерах Haystack. Максимальная длина контекста составляет 512 токенов; заявленный формат задачи — question-answering. Модель принимает текст вопроса и контекста и возвращает извлечённый текстовый ответ. Она ориентирована на немецкий язык и не заявлена как генеративная или мультимодальная модель. Лицензия — MIT.

GLM-4.5-Base — базовая языковая модель семейства GLM-4.5, разработанная Zhipu AI для создания интеллектуальных агентов. Это исходная версия модели, предназначенная для дальнейшей адаптации и генерации текста; README отдельно отмечает, что она не предназначена для чата в готовом виде. Модель построена на архитектуре GLM-4 MoE. В метаданных указаны 23,4 млрд параметров, формат safetensors и контекст до 131 072 токенов; карточка описывает серию GLM-4.5 в целом как ориентированную на рассуждения, программирование и агентные сценарии. Поддерживаются английский и китайский языки. Модель выпущена под лицензией MIT, допускающей коммерческое использование и разработку производных моделей. Для интерактивного диалога потребуется подходящая настройка или дообучение; README не приводит отдельных результатов оценки именно базовой версии.

Hemlock-Coder-7B-i1-GGUF — квантованная версия модели Hemlock-Coder-7B, разработанной hemlang и подготовленной в формате GGUF пользователем mradermacher. Модель дообучалась на наборе данных Hemlock-SFT и предназначена прежде всего для генерации текста, включая задачи, связанные с программированием. В README указана поддержка английского языка. Модель основана на архитектуре с 7B параметров, однако подробности об архитектуре, размере контекста и поддерживаемых модальностях не приведены. Репозиторий содержит набор imatrix-квантов различных типов и размеров — примерно от 2,0 до 6,4 ГБ. Варианты отличаются компромиссом между требованиями к памяти, скоростью и качеством; для баланса размера, скорости и качества рекомендуются i1-Q4_K_S и i1-Q4_K_M, причём последний обозначен как быстрый и рекомендуемый. Более низкие уровни квантования могут заметно снижать качество. Сильной стороной модели является возможность локального запуска в компактных квантованных вариантах через совместимый с GGUF инструментарий. Ограничения включают отсутствие в README результатов тестирования, точного описания задач и качества, данных о контекстном окне, мультимодальности и лицензии. Условия лицензирования в предоставленных материалах не указаны.

Hercules-2.0-Mistral-7B-GGUF — это набор файлов модели в формате GGUF для Locutusque/Hercules-2.0-Mistral-7B. Исходную модель разработал Locutusque, а квантизированную версию подготовил MaziyarPanahi. Модель относится к семейству Mistral и предназначена для генерации текста. В репозитории представлены варианты квантизации от 2 до 8 бит, включая форматы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K с различным балансом между размером файлов, требованиями к памяти и сохранением качества. README указывает на специализацию исходной модели в задачах, связанных с химией, математикой, программированием и физикой. Размер исходной модели — 7B параметров; сведения о модальностях, поддерживаемых языках и размере контекста не приведены. Формат GGUF подходит для локального запуска через llama.cpp и совместимые приложения, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и другие инструменты. Основные преимущества версии — выбор степени квантизации и возможность локального использования на широком спектре конфигураций. Ограничения связаны с потерями качества при сильной квантизации и отсутствием в README подробных результатов тестирования, характеристик производительности и рекомендаций по выбору конкретного варианта. Лицензия — Apache 2.0.

HiLS-Attention-7B — англоязычная базовая языковая модель Tencent с 6,9 млрд параметров, дообученная продолжением предобучения на базе allenai/Olmo-3-1025-7B. Она использует иерархическое разреженное внимание HiLS: механизм оценивает важность фрагментов контекста по сжатым ключам и выбирает нужные фрагменты, чтобы ускорить работу с длинными последовательностями. Модель предназначена для генерации текста и сценариев с длинным контекстом — например, поиска информации, ответов на вопросы и суммаризации длинных документов. Заявлены экстраполяция контекста за пределы расширения YaRN в 4 раза и сопоставимые результаты на коротких и средних контекстах. В метаданных указан контекст 131 072 токена. Чекпойнт обучен примерно на 50 млрд дополнительных токенов с разреженным вниманием HiLS и позиционным кодированием HoPE с расширением длины через YaRN. Для загрузки нужны код и конфигурация из проекта HiLS-Attention: стандартный API AutoModel библиотеки Transformers напрямую не поддерживается. Модель не прошла настройку инструкций и безопасности, поэтому её ответы могут быть неточными, предвзятыми или небезопасными. Лицензия — Apache-2.0.

II-Search-4B — языковая модель Intelligent Internet на базе Qwen3-4B, дообученная для поиска информации и рассуждений с использованием веб-поиска. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 98 304 токенов. Модель предназначена для ответов на фактические вопросы, многошагового поиска и проверки сведений по нескольким источникам. Она умеет работать с инструментами веб-поиска и посещения страниц, строить планы поиска и составлять подробные отчёты по исследовательским запросам. В README приведены результаты бенчмарков, но они не гарантируют точность ответов в каждом сценарии. Это текстовая модель для генерации ответов; для актуального веб-поиска требуется предоставить ей соответствующие инструменты и среду их выполнения. Модель распространяется по лицензии Apache-2.0.

IndicTrans2 Indic-En Distilled 200M — компактная дистиллированная модель перевода от AI4Bharat. Она предназначена для перевода между английским и индийскими языками; в карточке модели среди языков указаны бенгальский, английский, хинди, тамильский и урду, а теги репозитория охватывают более широкий набор языков Индии. Модель опубликована в формате PyTorch и Safetensors и использует архитектуру преобразования текста в текст. В README для этой версии не приведена длина контекста; упомянутые модели IndicTrans2 с контекстом до 2048 токенов относятся к отдельным вариантам RoPE. Модель распространяется по лицензии MIT.

Klyrune-2B-General-1 — компактная языковая модель общего назначения, разработанная в проекте Klyrune-2B. Это первая инструкция-настроенная версия проекта, дообученная на базе OpenBMB MiniCPM5-2B-Base для следования инструкциям, работы со знаниями и решения задач. Модель имеет плотную архитектуру семейства Llama с классом LlamaForCausalLM и содержит 2,2 млрд параметров. Она поддерживает генерацию текста и диалоговый интерфейс, а заявленная длина контекста составляет 524 288 токенов. Модель предназначена для ответов на запросы и решения общих задач; приведённые авторами результаты особенно относятся к математике и информатике: указаны 70,4% на MATH-500 и 63,0% и 85,6% на двух разделах математики MMLU. Эти оценки не подтверждают одинаковое качество во всех задачах и языках. В метаданных указан английский язык. Модель распространяется под лицензией Apache-2.0; файлы весов представлены в формате safetensors.

LanguageBind_Video_FT — полностью дообученный видеоэнкодер проекта LanguageBind, разработанного авторами одноимённой работы, принятой на ICLR 2024. Он связывает видео с языковым семантическим пространством и предназначен для сопоставления видеоданных с текстовыми описаниями, в том числе для классификации видео по текстовым меткам без отдельного обучения классификатора. В карточке Hugging Face задача модели обозначена как zero-shot image classification. Модель использует архитектуру LanguageBindVideo на базе CLIPModel и распространяется в формате PyTorch. README рекомендует полностью дообученную версию как более сильную по сравнению с LoRA-вариантом LanguageBind_Video. Подход LanguageBind выравнивает модальности через язык; в этом репозитории описаны видео- и мультимодальные сценарии, однако данный чекпойнт предназначен для видео. Лицензия — MIT. Модель подходит для поиска видео по текстовым запросам и для классификации видео на основе текстовых описаний. В предоставленных материалах нет сведений о размере модели, длине контекста или конкретных поддерживаемых языках, поэтому они не указаны. Качество зависит от соответствия текстовых меток и видеоматериала; README не приводит здесь количественных результатов именно для этого чекпойнта.

LettuceDetect от KRLabsOrg — модель для выявления галлюцинаций в ответах RAG. Она принимает контекст и ответ и выполняет токенную классификацию, отмечая фрагменты ответа, которые не подтверждаются контекстом. Модель построена дообучением EuroBERT-210m, имеет около 211,7 млн параметров и поддерживает контекст до 8192 токенов. Модель рассчитана на китайский язык и обучена на китайской версии датасета RagTruth. Она предназначена для проверки ответов на основе документов и подсветки неподтверждённых утверждений. В опубликованной оценке на переведённом RAGTruth-CN указана F1-мера 74,41%; результаты могут отличаться на других данных. Лицензия — MIT.

reranker_0.5_cont_filt_7max — это модель для ранжирования текстов, созданная на основе Qwen/Qwen2.5-0.5B-Instruct и дообученная разработчиком lightblue на датасете reranker_continuous_filt_max7_train. GGUF-квантизации модели подготовил Richard Erkhov. Модель предназначена для задач reranking: оценки релевантности текстовых вариантов и упорядочивания результатов поиска или кандидатов по соответствию запросу. В основе используется компактная языковая модель Qwen2.5 с размером 0,5 млрд параметров; исходная модель поддерживает текстовый режим, однако сведения о фактических языках, максимальной длине контекста и формате входных данных для этой версии не приведены. Указана оценка на тестовой выборке: loss 0,3869. Доступны варианты GGUF с методами квантизации от Q2_K до Q8_0 размером примерно от 0,39 до 0,63 ГБ, что позволяет выбирать между экономией памяти и сохранением качества. Сильными сторонами являются небольшой размер, возможность локального запуска в формате GGUF и специализация на ранжировании. Ограничения связаны с неполным описанием назначения, данных обучения, поддерживаемых языков, контекста и практических метрик качества; указан только loss. Лицензия оригинальной модели обозначена как other, но точные условия использования в карточке не уточняются.

Llama-3-8B-ProLong-512k-Base — базовая длинноконтекстная языковая модель семейства ProLong, разработанного исследователями Princeton NLP. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, созданная продолженным обучением на базе Llama-3-8B-ProLong-64k-Base. Она предназначена для генерации текста с контекстом до 524 288 токенов, в том числе для обработки длинных документов и других сценариев, где важно учитывать большой объём входного текста. В README описано обучение ProLong на данных для контекстов 64K и 512K; эта модель обозначена как Base, поэтому карточка не подтверждает её настройку для диалогов или следование инструкциям. Модель распространяется в формате safetensors по лицензии Llama 3.

LLMLingua-2-XLM-RoBERTa-Large-MeetingBank — модель Microsoft на архитектуре XLM-RoBERTa Large, дообученная для классификации токенов и сжатия промптов без привязки к конкретной задаче. Для каждого токена она оценивает вероятность сохранения, помогая сокращать текст с сохранением полезной информации. Модель содержит 658,8 млн параметров, принимает текст и имеет контекст длиной до 514 токенов. Модель обучена на данных MeetingBank, подготовленных для экстрактивного сжатия текста по методике LLMLingua-2. Её можно применять для сжатия стенограмм совещаний перед последующими задачами, например ответами на вопросы и суммаризацией. Она выдаёт метки токенов, используемые при отборе текста; сама по себе не предназначена для генерации ответов или пересказов. Лицензия — MIT.

LLM-QE-Contriever — дообученная модель на базе facebook/contriever, разработанная авторами исследования LLM-QE. Она предназначена для получения текстовых эмбеддингов, согласованных с предпочтениями ранжирования, и применения в расширении поисковых запросов и системах информационного поиска. Модель использует архитектуру BERT и обучалась с помощью supervised contrastive learning на расширениях запросов. В репозитории доступны веса safetensors; размер модели — 136,7 млн параметров, максимальный контекст — 512 токенов. Карточка описывает применение для поиска и расширения запросов, но не приводит подробностей о поддерживаемых языках сверх английского в метаданных. Лицензия — MIT.

Mermaid-Llama-6.7B-RAG-Code-Instruct — дообученная автором TroyDoesAI плотная причинная языковая модель семейства Llama с 6,6 млрд параметров. Она предназначена для преобразования кода, инструкций и текстового контекста в текстовые ответы: Mermaid-диаграммы и графы знаний, пояснения логики Python, а также фрагменты кода. В README описаны шаблон контекста в стиле airoboros Context-Obedient и обучение с LoRA; контекст модели составляет 16 384 токена, формат весов — safetensors. Модель ориентирована на разработчиков, обучение Python, документирование кода, RAG и визуальное планирование историй и проектов посредством Mermaid-разметки. Она выдаёт текст с кодом и диаграммами Mermaid, а не готовые изображения. Автор предупреждает, что модель следует использовать как автодополнение, а не как чат-бот; README также заявляет о снижении галлюцинаций, но не приводит проверяемых результатов оценки. Лицензия — CC BY 4.0.

MetaCLIP B/16 — модель семейства CLIP, разработанная командой MetaCLIP и обученная на 400 миллионах примеров CommonCrawl. Вариант base использует разрешение патчей 16; веса доступны в формате PyTorch. Модель сопоставляет изображения и текст в общем пространстве представлений. Её можно применять для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений по текстовому запросу и поиска текста по изображению. Модель ориентирована на исследование связи между подбором обучающих данных и качеством CLIP. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

MiniLMv2-L6-H384-distilled-from-BERT-Large — компактная encoder-only Transformer-модель семейства BERT, опубликованная пользователем nreimers (Nils Reimers) на Hugging Face и обученная методом MiniLMv2 с дистилляцией знаний из BERT-Large. Модель предназначена прежде всего для задач понимания естественного языка и запуска masked-language modeling: восстановления замаскированных токенов, а также последующей донастройки для классификации, извлечения ответов и других NLU-задач. Архитектура включает 6 Transformer-слоёв, размер скрытого состояния 384 и 12 attention heads; объём модели составляет примерно 23 млн параметров, размер файла весов — около 46,4 МБ. Это текстовая, англоязычная BERT-подобная модель с контекстом до 512 токенов и словарём BERT. В карточке Hugging Face она классифицирована как Fill-Mask и поддерживает Transformers и PyTorch. Сильные стороны модели — существенно меньший размер и более быстрая инференсная обработка по сравнению с BERT-Large при сохранении полезных представлений для широкого спектра NLU-задач; в исследовании MiniLMv2 дистилляция основана на переносе отношений multi-head self-attention. Ограничения: модель не является генеративной, не предназначена для диалога или свободной генерации текста, имеет ограничение длины входа и требует task-specific fine-tuning для прикладных задач. Лицензия непосредственно в доступной карточке модели не указана.

nreimers/mmarco-mMiniLMv2-L12-H384-v1 — модель на основе XLM-RoBERTa, опубликованная Nils Reimers. Она предназначена для многоязычного ранжирования текстовых пар: оценивает соответствие запроса и документа, чтобы сортировать найденные результаты поиска. В каталоге Hugging Face указаны архитектура XLM-RoBERTa, около 124,3 млн параметров и контекст до 514 токенов; карточка автора отсутствует, поэтому подробности обучения и список поддерживаемых языков по доступным сведениям подтвердить нельзя. Модель подходит для повторного ранжирования кандидатов в поиске и системах ответа на вопросы. Метаданные Hugging Face помечают её как text-classification и указывают формат PyTorch; по назначению это cross-encoder для оценки релевантности. Лицензию и конкретные ограничения применения доступные источники не подтверждают.

mMiniLM-L6-v2-mmarco-v2 — мультиязычная модель на основе MiniLM, дообученная командой Unicamp-DL на версии набора MS MARCO Passage Ranking на девяти языках. Набор mMARCO содержит переведённые с английского passages; для версии v2 использовался Google Translate. Модель предназначена для оценки текстовых фрагментов в задачах поиска и ранжирования passages по запросу. Её можно применять для сортировки найденных документов по релевантности и построения мультиязычного поиска. Архитектура в метаданных указана как XLM-RoBERTa Sequence Classification, размер — 110,2 млн параметров, максимальный контекст — 514 токенов. Модель доступна в формате PyTorch по лицензии MIT. Обучение на автоматически переведённых данных может влиять на качество для языков и формулировок, отличающихся от обучающего набора; контекст ограничен 514 токенами.

Модель sokho2/mms-300m-wolof — дообученная разработчиком sokho2 модель facebook/mms-300m для автоматического распознавания речи на волофском языке. Она использует архитектуру Wav2Vec2 с 300 млн параметров и CTC-декодирование; принимает аудио и выдаёт распознанный текст. Модель обучалась на наборах Or4kool/wolof_speech_dataset и Alwaly/wolof_asr_bg, с аугментацией скорости и громкости, и оценивалась на отложенных данных ALFFA Wolof и Google FLEURS. В карточке указаны WER 13,64% и CER 4,51%.

Xenova/ms-marco-TinyBERT-L-2-v2 — это версия модели cross-encoder/ms-marco-TinyBERT-L-2-v2 с весами в формате ONNX, подготовленная репозиторием Xenova для работы в Transformers.js. Модель относится к классу sequence classification и оценивает релевантность пары текстов, например поискового запроса и найденного документа. Модель предназначена прежде всего для задач информационного поиска, ранжирования результатов и семантического сопоставления текстов, включая работу непосредственно в JavaScript-приложениях и веб-среде. В основе используется компактная архитектура TinyBERT с двумя слоями; доступны квантованные и неквантованные ONNX-варианты. В README приведён пример на английском языке, однако полный набор поддерживаемых языков и размер контекста не указаны. Лицензия также не указана, поэтому условия использования следует уточнять в исходном репозитории базовой модели и связанных материалах. Компактность и совместимость с Transformers.js упрощают развёртывание, но ограничения TinyBERT могут отражаться на точности по сравнению с более крупными моделями.

Multitalker Parakeet Streaming 0.6B v1 — потоковая модель NVIDIA для распознавания речи отдельных участников в многоголосой аудиозаписи. Она основана на Nemotron-Speech-Streaming и архитектуре Parakeet с энкодером Fast-Conformer, входящим в NeMo Encoder for Speech Tasks (NEST). Механизм speaker kernel injection использует сведения об активности речи каждого участника, поступающие от системы диаризации, чтобы направлять распознавание на конкретного говорящего; предварительная запись голоса или speaker embeddings не требуются. Для каждого участника запускается отдельный экземпляр модели, все экземпляры получают один и тот же монофонический аудиопоток с частотой 16 кГц и независимо формируют транскрипцию своего говорящего, в том числе при сильном перекрытии речи. Модель поддерживает потоковую обработку с настраиваемым компромиссом между задержкой и точностью; результат сохраняется в формате SegLST. Для работы требуются NVIDIA NeMo и сведения о речевой активности участников от системы диаризации. Модель доступна как предобученный чекпойнт для инференса и дообучения. Лицензия в метаданных указана как other; конкретные условия следует сверять с карточкой модели NVIDIA.

Muse-Glimmer-30B Abliterated — дообученная версия Muse-Glimmer-30B, созданная автором репозитория jorkle. Это плотная мультимодальная модель семейства Muse-Glimmer с примерно 29,8 млрд параметров; карточка описывает вариант BF16 и отдельные квантизированные сборки GGUF. Модель предназначена для диалогового ассистирования общего назначения с уменьшенной склонностью к отказам. Для снижения частоты отказов применялось дообучение LoRA на 544 примерах с ограничением отклонения от базовой модели через KL-регуляризацию; адаптер затем объединён с базовыми весами. В README приведены измерения отказов и KL-дивергенции, но бенчмарки способностей не проводились. Модель может принимать текстовые и визуальные входы согласно мультимодальности базовой модели, однако карточка не описывает отдельно оценку этих возможностей. Указанная лицензия — Apache-2.0. Модель следует проверять на конкретном сценарии: снижение числа отказов не устраняет отказы полностью, а результаты тестирования выявили как пропуски ожидаемых отказов, так и отдельные отказы на кибербезопасностных запросах.

NeuralKuke-4-All-7b — объединённая модель для генерации текста на основе архитектуры Mistral, созданная автором репозитория Kukedlc с помощью LazyMergekit. Она объединяет пять моделей, ориентированных на ARC, WinoGrande, вопросы и ответы, математику и диалоговые сценарии. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Её можно применять для диалогов, ответов на вопросы и решения математических задач. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Количественные оценки качества и сведения о поддерживаемых естественных языках в предоставленных данных отсутствуют.

Ornith-1.0-397B-FP8 — открытая языковая модель семейства Ornith-1.0, предназначенная прежде всего для агентного программирования. Проект разработан командой Ornith; в материалах также упоминается Deep Reinforce. Модель доступна для генерации текста и ориентирована на сценарии, в которых агент самостоятельно планирует действия, работает с терминалом и решает задачи разработки программного обеспечения. Модель относится к варианту на 397 млрд параметров с архитектурой MoE и представлена в формате FP8. Семейство Ornith обучалось поверх Gemma 4 и Qwen 3.5 с применением reinforcement learning: оптимизируются не только итоговые решения, но и scaffolding — структура поиска и последовательность действий, приводящих к решению. Для Ornith-1.0-397B заявлена эффективная работа в конфигурации с одним GPU. Сведения о размере контекстного окна, поддерживаемых языках и мультимодальности в карточке не указаны. Сильная сторона модели — специализация на агентных задачах программирования; в README приведены результаты на Terminal-Bench 2.1 и SWE-bench Verified, включая показатели 77,5–78,2 и 82,4 соответственно. Эти результаты характеризуют заявленные авторами тестовые условия и не гарантируют аналогичную эффективность в других сценариях. Модель распространяется по лицензии MIT, без региональных ограничений, однако требования к аппаратным ресурсам и практическая совместимость с конкретными средствами запуска требуют отдельной проверки.

PaliGemma 2 10B PT — базовая мультимодальная модель Google для обработки изображений и текста. Она сочетает визуальный энкодер SigLIP с языковой моделью Gemma 2; опубликованы веса bfloat16 для дообучения. Модель принимает изображения размером 224×224 и текстовые последовательности до 128 токенов на входе и выходе, поддерживает несколько языков и генерирует текст. Модель предназначена прежде всего для дообучения под задачи компьютерного зрения и языка: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Её также можно адаптировать для анализа спутниковых снимков, помощи незрячим пользователям, научных вопросов и описания функций элементов интерфейса. Лицензия — Gemma; использование регулируется условиями и политикой допустимого использования Gemma. Это базовая модель для специализированного дообучения, а не готовый универсальный чат-бот: она рассчитана на один раунд взаимодействия с изображением и текстом. На сложных или открытых запросах может ошибаться, выдавать устаревшие факты и испытывать трудности с нюансами языка и здравым смыслом. Результаты распознавания и генерируемые сведения требуют проверки; при внедрении следует учитывать возможные смещения и риски вредного контента.